使用 Apriori 辨識常見項目集
你先前替線上零售商做的彙整練習很有幫助。它提供了起點，讓我們了解哪些商品類別在交易中經常出現。現在，零售商想直接檢視單一商品本身，找出哪些商品屬於常見項目。
在這個練習中，你將在未先做彙整的情況下，把 Apriori 演算法套用到線上零售資料集。你的目標是使用最小 support 值與最大項目數門檻來修剪（prune）項目集。注意，pandas 已以 pd 匯入，且 one-hot 編碼後的資料已可由 onehot 取得。
本練習屬於課程
Python 的 Market Basket Analysis
練習說明
- 將
onehot傳入 Apriori 演算法。 - 將最小 support 值設為 0.006。
- 將項目集的最大長度設為 3。
- 列印前 5 筆項目集的預覽。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Import apriori from mlxtend
from mlxtend.frequent_patterns import apriori
# Compute frequent itemsets using the Apriori algorithm
frequent_itemsets = apriori(____,
____ = ____,
max_len = ____,
use_colnames = True)
# Print a preview of the frequent itemsets
print(____.head())